Mistral Large 4 уже можно гонять через API в Mistral Studio. Внутри — 1,05 трлн параметров, 49 млрд активных и контекст до 1 млн токенов. Официальное прозвище модели — Le Chonk. По размерам прозвище попало точно.
Для визуального автора это не новая Midjourney и не конкурент Seedance. Mistral Large 4 не генерирует картинки или видео. Она принимает текст и изображения, понимает документы, схемы, кадры и длинные массивы контекста. Тут интереснее другое: сколько возни она уберёт из продакшена.
Mistral Large 4: что именно выпустили
Mistral называет Large 4 своей крупнейшей и самой способной моделью. Это нативно мультимодальная Mixture-of-Experts — архитектура, где на конкретный запрос включается только часть общей модели. Всего параметров 1,05 трлн, в работе участвуют 49 млрд. Внутри также есть vision encoder на 1,6 млрд параметров.
Модель обучали с нуля примерно на 3800 NVIDIA Grace Blackwell в собственных дата-центрах Mistral в Европе. В другой публикации фигурирует число 4000 GPU — это оценка VentureBeat. В официальном анонсе указано 3800, поэтому ориентируюсь на эту цифру.
Обучение заняло около двух месяцев. Mistral заявляет поддержку более 160 языков, включая все официальные языки Евросоюза. Веса обещают открыть до конца октября, а документация указывает дату 27 октября 2026 года.
Пока это public preview. Полноценный API уже работает, но модель ещё дорабатывают, а открытой версии весов нет. Mistral проводит red-teaming — проверку в реальных сценариях — вместе с лидерами кибербезопасности, проверенными партнёрами и государственными структурами.
Для компаний европейская инфраструктура тут имеет практический смысл. Данные проходят через инфраструктуру Mistral в Европе. После публикации весов модель можно будет проверять, адаптировать и разворачивать самостоятельно — если лицензия и железо позволят.
Где Mistral Large 4 сильнее обычного чат-бота
Mistral делает ставку на кодинг, агентские workflow, кибербезопасность, финансы, право, производство и visual grounding. Последний термин означает поиск конкретного объекта или области на изображении по текстовому описанию.
Для креаторов сценарий выглядит так: вы загружаете кадр, раскадровку или технический рисунок и просите найти все крупные планы, определить персонажа в красной куртке, отметить кадры с пустым фоном или разложить материал по сценам. На выходе можно получить структурированный JSON вместо длинного текста.
Mistral заявляет, что в visual grounding Large 4 обходит некоторые закрытые флагманские модели. В материалах TestingCatalog указано 42% на Dense 200 против 41% у GPT-6 Astra. Разница небольшая, но для автоматической разметки изображений это уже проверяемая гипотеза, а не разговор про понимание картинок.
Есть и цифры по инженерным задачам: 61,7% на DeepSWE v1.1, 59,9% на AutomationBench, 82% на тесте Artificial Analysis по воспроизведению и исправлению уязвимостей, 93% на Cybench. В слепой оценке кода Surge AI превью получило 3,74 балла из 5. Claude Opus 5 набрал 4,22.
Тут нужна оговорка. В кибертесте не участвовали некоторые ведущие GPT и Claude с включёнными защитными ограничениями. Поэтому результат говорит о способности работать с задачей, но не даёт честного общего рейтинга всех моделей.
Что меняет миллион токенов контекста
Один миллион токенов — это запас для больших документов, транскриптов, таблиц и сценариев. Любой запрос на миллион токенов всё равно не станет дешёвым автоматически. И качество обработки тоже может меняться. Зато длинный проект не придётся сразу резать на десять частей и склеивать костылями.
На практике я бы использовал Large 4 в трёх задачах.
Первая — архив футажа. Загружаете транскрипты, описание съёмки и набор кадров. Модель возвращает таймкоды, темы, настроение, героев и подходящие фрагменты для будущего монтажа.
Вторая — раскадровки. Кидаете изображения сцен и просите сопоставить их с брифом: где есть нужный объект, какой план отсутствует, какие кадры повторяются. Режиссёра это не заменит, зато первичную сортировку можно ускорить.
Третья — длинные сценарии и брендовые документы. Модель сверяет ролик с tone of voice, требованиями клиента, юридическими ограничениями и таблицей сцен. Function calling и structured outputs передают результат дальше в ваш пайплайн, поэтому не придётся копировать всё руками.
Generate an SVG of an armadillo in fishnet tights jaywalking on Mars
Этот странный промт появился в комментарии на Hacker News. Автор wren6991 пошутил, что бенчмарки уже насыщены: «Фронтирные модели тестируют на броненосце в сетчатых колготках, который перебегает дорогу на Марсе».
Для креатора это хороший формат проверки. Один промт, одинаковый формат и странная сцена, где сразу видны композиция, текстовые детали и способность модели не развалиться на мелочах.
Тест не доказывает, что Mistral Large 4 лучше или хуже конкурентов во всём. Он показывает конкретный навык — генерацию структурированного текста для SVG. Картинки модель здесь описывает кодом, а не рисует пикселями.
Цена Mistral Large 4 и где прячется ограничение
В документации Mistral указана цена $1,36 за миллион входных токенов и $4,18 за миллион выходных. Для кэшированных входных токенов — $0,14 за миллион. На странице документации также отображается preview-тариф: $0,68 за вход и $2,09 за выход. Это скидка 50%.
По данным карточки новости, скидка действует первые две недели. Перед запуском проверьте тариф прямо в Mistral Studio: у public preview цены и лимиты могут меняться. Artificial Analysis пока показывает одного API-провайдера — Mistral — со смешанной стоимостью около $0,79 за миллион токенов в своём сценарии.
Для коротких задач модель выглядит дорогой. Смысл появляется там, где нужно обработать большой объём: сотни кадров, длинные документы, технические PDF или массив транскриптов.
Есть ещё один подвох. Пока нет весов, это API-превью с ограничениями, а не open-weight-модель в практическом смысле. Mistral обещает выпустить веса после тестирования, но точная лицензия и требования к железу важнее красивой цифры в 1 трлн параметров.
Что проверить креатору уже сейчас
Начинайте со своего архива. Возьмите 20–30 кадров, один сценарий и один бриф. Проверьте, умеет ли Large 4:
• находить нужные объекты и области на изображениях; • выдавать стабильную структуру JSON; • различать сцены и дубли; • удерживать требования клиента на длинном контексте; • объяснять, почему конкретный кадр подходит.
Отдельно замерьте стоимость. Один большой запрос может оказаться выгоднее десяти маленьких, если модель не начинает ошибаться ближе к концу контекста. Сохраните одинаковый набор файлов и повторите тест после выхода весов.
Для генерации изображений и видео используйте специализированные инструменты. Mistral Large 4 стоит подключать рядом — как аналитический слой, который сортирует, описывает и проверяет визуальный материал. Я бы начал с такой связки, а уже потом пытался поручить модели весь креатив.
Промты для визуальных моделей собрал в библиотеке
Источники
Mistral Large 4 — Mistral Docs
Mistral Large 4 is Europe's trillion-parameter answer to US models that refuse security work
Mistral Large 4 Preview API Provider Benchmarking & Price Analysis
Mistral debuts Large 4 ‘Le Chonk’
Источникsimonwillison.net
